[发明专利]基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法

说明书

本发明提供一种基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法。该诊断系统包括预处理单元、动态脑网络构建单元、动态脑网络图核计算单元和分类诊断单元，首先通过预处理单元对功能核磁共振图像进行图像的预处理，然后通过动态脑网络构建单元对预处理后的功能核磁共振图像依次进行脑区的匹配、时间段的分割、互信息值的计算以及频繁子图的挖掘，然后通过动态脑网络图核计算单元对重建的频繁子图动态脑功能网络依次通过二分图的最优匹配、图核的计算、图核矩阵的组合以及权值的分配，得到一个融合后的动态脑功能网络图核矩阵，通过与核SVM结合通过数据训练器进行数据的训练，最终通过辅助诊断器实现对阿尔茨海默病的诊断。

技术领域

本发明涉及计算机辅助诊断技术领域，尤其涉及一种基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法。

背景技术

阿尔茨海默病(Alzheimer Disease，AD)是一种影响人们认知甚至行为的神经退行性疾病，引发这种疾病的原因是一些控制认知的脑区受损，导致脑区之间的联系减弱或消失，因此，脑连接模式在AD的诊断过程中起着关键作用。静息态功能磁共振成像(restingstate functional Magnetic Resonance Imaging,rs-fMRI)提供了一种非侵入性的方法来测量大脑的功能活动和变化。以脑区为节点，以脑区之间的连接为边，构建基于rs-fMRI的脑网络，对脑网络进行分类，实现AD的诊断。

传统的静态脑网络是基于整个时间序列图像的功能连接来计算的。近年来，有许多分类方法脑网络，如提取脑网络的拓扑度量(如聚类系数)进行分类、深度学习和图核方法。在这些方法中，图核方法被证明具有良好的自适应分类效果。图核能够解决分类过程中的高维复杂问题，具有良好的泛化能力，是机器学习中对结构化数据进行分类的重要工具。此外，通过计算图的核函数，建立了核函数与核机器之间的关联，可以直接应用于简单的基于核函数的机器学习方法，实现AD的分类，如支持向量机(Support Vector Machine,SVM)等。

对于传统的静态脑网络，通过计算任意两个脑区之间信号的全局相关系数，基于整个图像时间序列的功能连接来构造单个脑网络。但是，有研究发现大脑信号的功能连接在每个时间段都表现出动态变化，在动态连接的情况下，能够在每一段时间内显示更多关于大脑功能活动的局部信息。然而，现有的图核都是基于静态脑网络的，只考虑脑区之间的全局功能连接。因此考虑采用动态脑网络图核进行AD的辅助诊断。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提出一种基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法，动态脑网络的图核能够捕捉到功能连接在各个时间段的动态变化。因此，动态脑网络图核的计算能够充分反映动态变化的相似性，从而获得更高的分类精度。

为解决上述技术问题，本发明提出了一种基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法，一种基于动态脑网络图核的阿尔茨海默病辅助诊断系统包括：处理单元、动态脑网络构建单元、动态脑网络图核计算单元和分类诊断单元；所述预处理单元用于将输入的功能核磁共振图像，依次通过时间校正、头动校正以及平滑降噪处理之后得到一系列降噪后的功能核磁共振图像；所述动态脑网络构建单元用于将所述预处理单元输出的降噪后的功能核磁共振图像，依次进行脑区的匹配、时间段的分割、互信息值的计算以及频繁子图的挖掘；所述动态脑网络图核计算单元用于将所述动态脑网络构建单元输出的重建的频繁子图动态脑功能网络，依次通过二分图的最优匹配、图核的计算、图核矩阵的组合以及权值的分配，最终得到一个融合后的动态脑功能网络图核矩阵；所述分类诊断单元用于将得到的动态脑功能网络图核矩阵与核SVM结合并通过数据训练器进行阿尔茨海默病是否患病的训练，然后利用得到的训练数据并通过辅助诊断器实现阿尔茨海默病的辅助诊断。